컴퓨터 기반 신약 개발의 새로운 시대: 아이소모픽 랩스(Isomorphic Labs), IsoDDE 공개

헬스케어 분야의 인공지능(AI) 지형은 아이소모픽 랩스(Isomorphic Labs)의 '아이소모픽 랩스 약물 설계 엔진(Isomorphic Labs Drug Design Engine, IsoDDE)' 도입과 함께 중대한 전환점을 맞이했습니다. 널리 알려진 알파폴드 3(AlphaFold 3)를 뛰어넘는 중요한 진화적 도약을 상징하는 IsoDDE는 업계를 단순한 구조 예측을 넘어 고충실도 합리적 약물 설계(High-fidelity rational drug design)의 영역으로 이동시킵니다. 이러한 발전은 "이 단백질은 어떻게 생겼는가?"라는 질문에서 "이를 치료하기 위해 어떤 분자를 설계할 수 있는가?"라는 핵심적인 제약 분야의 질문에 답하는 단계로의 전환을 의미합니다.

Creati.ai 팀에게 이번 발표는 생성 생물학(Generative biology)의 급격한 성숙을 강조합니다. AlphaFold 3가 구조 데이터에 대한 접근을 민주화했다면, IsoDDE는 예측하기 어려운 결합 부위와 잠재적 후보 약물의 결합력(Affinity)과 같은 과제를 해결하며 제약 R&D의 복잡하고 까다로운 현실을 다룹니다.

일반화의 정확성 재정의

IsoDDE의 핵심 약속은 공공 훈련 데이터 세트에서 사용 가능한 데이터와 크게 다른 '보지 못한' 생물학적 표적—단백질 및 리간드—으로 일반화(Generalization)하는 능력에 있습니다. 컴퓨터 생물학에서 모델은 익숙한 구조에서는 잘 작동하지만 새로운 치료 표적이 제시될 때 실패하는 '분포 외(Out-of-distribution)' 데이터로 인해 어려움을 겪는 경우가 많습니다.

Isomorphic Labs는 까다로운 'Runs N' Poses' 벤치마크에서 IsoDDE가 AlphaFold 3의 정확도를 두 배 이상 높였다고 보고했습니다. 이 벤치마크는 훈련 사례와 구별되는 단백질-리간드 구조에 대한 모델의 성능을 테스트하기 위해 특별히 설계되었습니다. 여기서 우수한 성능을 보임으로써, IsoDDE는 표적에 대한 광범위한 과거 데이터가 부족한 경우가 많은 퍼스트 인 클래스(First-in-class) 신약 개발에 필수적인 견고함을 입증합니다.

단백질의 역동적인 특성 마스터하기

단백질은 정적인 조각상이 아닙니다. 모양이 변하는 역동적인 실체입니다. 이전 모델의 주요 한계는 단백질이 결합하는 약물을 수용하기 위해 구조를 변경하는 현상인 '유도 적합(Induced fit)'을 설명하지 못했다는 점입니다. IsoDDE는 "숨은 포켓(cryptic pockets)"의 개방을 포함하여 이러한 복잡한 상호작용을 성공적으로 모델링합니다.

숨은 포켓은 평소에는 숨겨져 있다가 특정 리간드가 결합할 때만 나타나는 결합 부위입니다. 이는 이전에는 '약물로 조절 불가능한(Undruggable)' 것으로 간주되었던 질병 유발 단백질을 표적으로 삼는 대안적인 방법을 제공하기 때문에 신약 개발자들에게 노다지와 같습니다. IsoDDE는 그 능력을 입증하는 놀라운 사례로, 단백질의 아미노산 서열만을 입력값으로 사용하여 암 치료 및 단백질 분해의 핵심 표적인 세레블론(Cereblon) 단백질에서 최근 발견된 숨은 부위를 자율적으로 재현해 냈습니다.

바이오의약품 및 항체에서의 우수한 성능

저분자 화합물을 넘어, 제약 업계는 바이오의약품(Biologics), 특히 항체(Antibodies)로 점차 눈을 돌리고 있습니다. 이러한 복잡한 분자를 설계하려면 항체-항원 인터페이스의 구조를 극도로 정밀하게 예측해야 합니다. 항체의 CDR-H3 루프(CDR-H3 loop)는 높은 가변성과 유연성으로 악명이 높아 전통적인 계산 방식의 걸림돌이 되어 왔습니다.

IsoDDE는 항체-항원 구조 예측에서 AlphaFold 3보다 2.3배, Boltz-2보다 무려 19.8배 향상된 정확도를 입증했습니다. 이러한 성능의 도약은 데 노보(De novo) 항체 설계에 있어 매우 중요하며, 바이오 후보 물질을 스크리닝하고 최적화하는 데 소요되는 시간을 몇 달에서 며칠로 단축할 잠재력을 가지고 있습니다.

결합 친화도 장벽 타파

상업적으로 가장 중요한 발전은 아마도 약물이 표적에 얼마나 강력하게 결합하는지를 측정하는 결합 친화도(Binding affinity) 예측 능력일 것입니다. 역사적으로 이 영역은 자유 에너지 섭동(Free Energy Perturbation, FEP)과 같은 물리 기반 방법의 영역이었습니다. FEP는 정확하긴 하지만 계산 비용이 많이 들고 느리며, 시작점으로 고품질의 결정 구조를 요구합니다.

보도에 따르면 IsoDDE는 이러한 '골드 표준' 물리 기반 방법의 정확도와 일치하거나 능가하면서도 훨씬 적은 비용과 빠른 속도로 작동합니다. 결정적으로, 분석을 시작하기 위해 실험적인 결정 구조가 필요하지 않습니다. 이를 통해 연구자들은 비용이 많이 드는 습식 실험실(Wet-lab) 합성에 착수하기 전 인 실리코(In silico) 상에서 수천 개의 잠재적 후보 약물의 순위를 신속하게 매길 수 있습니다.

비교 분석: IsoDDE vs. 기존 방법

다음 표는 새로운 엔진과 이전 모델, 그리고 전통적인 물리 기반 접근 방식 간의 주요 성능 차별화 요소를 개략적으로 설명합니다.

제약 업계에 대한 전략적 시사점

IsoDDE의 출시는 단순한 기술적 이정표가 아닙니다. 이는 아이소모픽 랩스의 비즈니스 모델을 검증하는 전략적 자산입니다. 딥마인드(DeepMind)에서 분사한 이후, 이 회사는 일라이 릴리(Eli Lilly), 노바티스(Novartis), 그리고 가장 최근에는 존슨앤존슨(Johnson & Johnson)과 같은 거대 제약사들과 세간의 이목을 끄는 파트너십을 체결했습니다. 이러한 협업은 AI가 생물학을 시각화하는 것 이상의 일을 할 수 있으며, 해결책을 설계(Engineer)할 수 있다는 전제 하에 구축되었습니다.

이 엔진은 이미 아이소모픽 랩스 자체의 신약 후보 파이프라인을 추진하기 위해 내부적으로 배치되고 있습니다. 데미스 허사비스(Demis Hassabis) CEO는 회사가 2026년 말까지 첫 번째 AI 설계 약물이 임상 시험에 진입할 것으로 기대한다고 밝혔습니다. 이러한 일정은 디지털 프로토타이핑에서 인간 적용으로의 빠른 전환을 시사하며, 이는 10년 전만 해도 상상할 수 없었던 속도입니다.

예측에서 처방까지

업계 관찰자들에게 '구조 예측'과 '약물 설계'의 구분은 무엇보다 중요합니다. 알파폴드가 정적인 기하학 문제를 해결했다면, IsoDDE는 기능적 상호작용 문제를 해결하려고 시도합니다. 원자의 위치뿐만 아니라 원자들이 얼마나 강하게 상호작용하고 어떻게 움직이는지를 정확하게 예측함으로써, IsoDDE는 계산적 가설과 생물학적 현실 사이의 간극을 좁힙니다.

이 기능은 특히 '눈에 보이지 않는' 포켓 식별에 필수적입니다. 사전 지식 없이 단백질 표면을 스캔하고 새로운 리간드 결합 가능 포켓(Ligandable pockets)을 식별하는 능력은 과학자들이 완전히 새로운 각도에서 질병 경로를 공략할 수 있게 해줍니다. 이 접근 방식은 이전에는 난공불락으로 여겨졌던 요새의 뒷문을 찾는 것과 같습니다.

결론

아이소모픽 랩스는 AI 기반 헬스케어에서 최첨단으로 간주되는 기준을 효과적으로 높였습니다. 일반화, 친화도 예측, 숨은 포켓 식별과 같은 신약 개발의 구체적인 문제점들을 해결함으로써, IsoDDE는 현대 제약 R&D의 필수 도구로 자리매김하고 있습니다.

Creati.ai에게 이번 발전은 생물학 분야의 AI '거품(Hype)' 단계가 '영향력(Impact)' 단계로 전환되고 있음을 나타냅니다. 아이소모픽 랩스가 제공한 지표들은 이 도구들이 더 이상 단순한 실험이 아니라, 상업용 신약 파이프라인을 가동할 수 있을 만큼 충분히 강력해졌음을 시사합니다. 2026년 말로 향해가며, 업계는 이러한 실리콘에서 탄생한 예측들이 환자들을 위한 안전하고 효과적인 의약품으로 성공적으로 이어질 수 있을지 예의주시할 것입니다.